PID与LQR控制在二级倒立摆中的对比分析

1. 项目概述：当PID遇上LQR——两种控制算法在二级倒立摆中的对决

在控制工程领域，二级倒立摆系统堪称检验算法性能的"试金石"。这个看似简单的物理系统——由小车和两根铰接摆杆组成的结构，却蕴含着高阶次、非线性、强耦合等复杂特性。记得我第一次在实验室见到实物装置时，那两根倔强摇晃的摆杆就像在嘲笑控制理论的局限性。今天我们就用MATLAB仿真环境，让经典PID控制与现代LQR控制来一场正面较量。

二级倒立摆的典型参数配置如下：小车质量0.5kg，下摆杆质量0.2kg、长度0.3m，上摆杆质量0.1kg、长度0.2m。控制目标是通过调节小车水平方向的驱动力，使两根摆杆在竖直倒立位置保持稳定。这相当于要让一根竹竿顶端再立一根竹竿——现实中几乎不可能完成的任务，却为控制算法提供了绝佳的验证平台。

2. 系统建模：从物理模型到状态方程

2.1 拉格朗日方程构建动力学模型

采用拉格朗日力学方法建立模型时，需要特别注意系统动能和势能的完整表达。对于我们的二级倒立摆，系统总动能包括：

• 小车平移动能：$T_c = \frac{1}{2}M\dot{x}^2$
• 下摆杆动能（平移+旋转）：$T_1 = \frac{1}{2}m_1v_1^2 + \frac{1}{2}I_1\dot{\theta}_1^2$
• 上摆杆动能（平移+旋转）：$T_2 = \frac{1}{2}m_2v_2^2 + \frac{1}{2}I_2\dot{\theta}_2^2$

其中各摆杆质心速度需要通过几何关系转换为基座标系下的表达式。这是我当初建模时最容易出错的地方——必须正确考虑两摆杆之间的运动耦合。

2.2 线性化处理技巧

在平衡点（θ₁=0，θ₂=0）附近进行线性化时，采用小角度假设：

• sinθ ≈ θ
• cosθ ≈ 1
• θ² ≈ 0

但要注意，这种近似只在±10°范围内有效。我在初期仿真时曾犯过错误——将初始角度设为30°，导致线性模型完全失效。最终得到的线性状态空间方程为：

$$
\dot{x} = Ax + Bu
$$

其中状态向量x包含小车位置、两根摆杆角度及其一阶导数共6个变量。这个状态空间模型将成为后续控制器设计的基础。

3. 控制器设计与实现

3.1 PID控制：参数整定的艺术

对于二级倒立摆这样的多变量系统，PID控制需要为每个被控量设计独立控制器。我的经验是采用串级控制结构：

1. 内环控制下摆杆角度θ₁
2. 外环控制上摆杆角度θ₂
3. 最外层控制小车位置x

参数整定过程可谓"痛苦而美妙"。通过试错法，最终确定的PID参数为：

• 位置环：Kp=12, Ki=0.5, Kd=3
• 下摆杆角度环：Kp=150, Ki=0, Kd=25
• 上摆杆角度环：Kp=300, Ki=0, Kd=30

关键提示：积分项(I)在角度环中必须谨慎使用，过大的Ki会导致系统振荡甚至发散。我建议先从纯PD控制开始调试。

3.2 LQR控制：权重矩阵的哲学

LQR控制的核心在于Q和R矩阵的选择。经过多次尝试，我采用的权重矩阵为：

matlab复制Q = diag([1000 5000 3000 10 10 10]); % 强调角度控制
R = 0.1; % 允许较大的控制力

这个配置体现了我的控制哲学：角度误差比位置误差更关键，而控制力消耗可以适当放宽。通过求解Riccati方程得到的反馈增益矩阵K，可以将不稳定极点全部拉到左半平面。

4. 仿真实验与结果分析

4.1 性能对比测试

设置初始条件为θ₁=θ₂=5°，得到如下对比结果：

LQR在各项指标上全面占优，特别是在超调量方面优势明显。这得益于其最优控制特性，能够协调各状态变量的动态响应。

4.2 抗干扰能力测试

在系统稳定后第5秒施加脉冲干扰，观察到：

• PID控制需要约6秒恢复稳定
• LQR控制仅需2.5秒即可恢复
• PID控制的最大偏差达到12°，而LQR只有7°

这个结果有些出乎意料——理论上LQR应该具有更好的鲁棒性。后来发现是因为PID控制器的微分项放大了噪声，导致性能下降。这提醒我们：实际系统中，噪声特性会显著影响控制效果。

5. 工程实践中的经验分享

5.1 PID控制的实用技巧

• 微分先行：采用不完全微分形式，避免高频噪声放大

matlab复制s = tf('s');
D = Kd*s/(1 + s/N);  % N通常取5~20

• 抗饱和处理：对积分项进行限幅，防止windup现象
• 采样周期选择：根据系统最高频率，一般取ω_max/20~ω_max/10

5.2 LQR实现的注意事项

1. 状态观测器设计：实际系统往往不能测量所有状态，需要设计观测器。我推荐使用Kalman滤波器，它能同时处理测量噪声和过程噪声。

2. 执行器饱和处理：在MATLAB中可以通过min/max函数对控制量进行限幅，但要注意这会影响最优性。

3. 实时性考量：LQR需要在线计算u=-Kx，对于高阶系统可能需要优化计算代码。我曾将一个6状态系统的计算时间从500μs优化到80μs，关键是用查表法代替矩阵乘法。

6. 扩展思考与进阶方向

通过这个项目，我深刻体会到控制理论在工程实践中的精妙之处。对于想进一步探索的读者，建议尝试：

1. 参数敏感性分析：改变摆杆质量或长度，观察控制器鲁棒性
2. 非线性控制方法：尝试滑模控制或Backstepping控制
3. 硬件实现：用STM32等嵌入式系统实现实时控制

在完成这个项目的三个月里，我经历了无数次仿真失败和参数调整。最难忘的是第一次看到LQR控制器成功稳住倒立摆的那一刻——那些复杂的矩阵运算突然变得如此生动有力。控制工程的美妙之处，或许就在于用数学语言驯服物理世界的混沌。